PEMODELAN PERSAMAAN STRUKTURAL (SEM)

Mei 01, 2020
Untuk jurnal, lihat Pemodelan Persamaan Struktural (jurnal) .
Contoh model persamaan struktural
Contoh model persamaan struktural.Variabel laten diambil sebagai lingkaran. Variabel manifes atau terukur ditampilkan sebagai kuadrat.Residual dan varians digambar sebagai panah berkepala dua menjadi sebuah objek. Perhatikan variabel IQ laten yang ditetapkan pada 1 untuk memberikan skala pada model.
Pemodelan persamaan struktural ( SEM ) mencakup serangkaian model matematika, algoritma komputer, dan metode statistik yang sesuai dengan jaringan konstruksi untuk data. [1]SEM mencakup analisis faktor konfirmatori , analisis komposit konfirmatori , analisis jalur , pemodelan jalur kuadrat terkecil parsial , dan pemodelan pertumbuhan laten . [2] Konsep ini tidak boleh dikacaukan dengan konsep terkait model struktural dalam ekonometrik , atau dengan model struktural dalam ekonomi . Model persamaan struktural sering digunakan untuk menilai konstruksi 'laten' yang tidak dapat diobservasi. Mereka sering menggunakan model pengukuran yang mendefinisikan variabel laten menggunakan satu atau lebih variabel yang diamati , dan model struktural yang mengganggu hubungan antara variabel laten. [1] [3] Hubungan antara konstruk model persamaan struktural dapat diperkirakan dengan persamaan regresiindependen atau melalui pendekatan yang lebih terlibat seperti yang digunakan dalam LISREL. [4]
Penggunaan SEM umumnya dibenarkan dalam ilmu sosial karena kemampuannya untuk menyalahkan hubungan antara konstruk yang tidak teramati (variabel laten) dari variabel yang dapat diamati. [5] Untuk memberikan contoh sederhana, konsep kecerdasan manusia tidak dapat diukur secara langsung karena seseorang dapat mengukur tinggi atau berat badan. Sebaliknya, psikolog mengembangkan hipotesis kecerdasan dan menulis instrumen pengukuran dengan item (pertanyaan) yang dirancang untuk mengukur kecerdasan sesuai dengan hipotesis mereka. [6] Mereka kemudian akan menggunakan SEM untuk menguji hipotesis mereka menggunakan data yang dikumpulkan dari orang yang mengikuti tes kecerdasan mereka. Dengan SEM, "kecerdasan" akan menjadi variabel laten dan item tes akan menjadi variabel yang diamati.
Model sederhana yang menunjukkan bahwa kecerdasan (diukur dengan empat pertanyaan) dapat memprediksi kinerja akademik (diukur dengan SAT, ACT, dan IPK sekolah menengah) ditunjukkan di atas (kanan atas). Dalam diagram SEM, variabel laten biasanya ditampilkan sebagai oval dan variabel yang diamati sebagai persegi panjang. Diagram di atas menunjukkan bagaimana kesalahan (e) memengaruhi setiap pertanyaan intelijen dan skor SAT, ACT, dan IPK, tetapi tidak memengaruhi variabel laten. SEM memberikan estimasi numerik untuk setiap parameter (panah) dalam model untuk menunjukkan kekuatan hubungan. Dengan demikian, selain menguji teori keseluruhan, SEM memungkinkan peneliti untuk mendiagnosis variabel mana yang merupakan indikator yang baik dari variabel laten. [7]
Berbagai metode dalam pemodelan persamaan struktural telah digunakan dalam ilmu, [8] bisnis, [9] dan bidang lainnya. Kritik terhadap metode SEM sering mengatasi kesulitan dalam formulasi matematika, validitas eksternal yang lemah dari beberapa model yang diterima dan bias filosofis yang melekat pada prosedur standar. [10]

SEJARAH


Pemodelan persamaan struktural, seperti istilah yang saat ini digunakan dalam sosiologi, psikologi, dan ilmu sosial lainnya berkembang dari metode sebelumnya dalam pemodelan jalur genetik Sewall Wright . Bentuk modern mereka muncul dengan implementasi intensif komputer pada 1960-an dan 1970-an. SEM berkembang dalam tiga aliran yang berbeda: (1) sistem metode regresi persamaan yang dikembangkan terutama di Komisi Cowles; (2) algoritma kemungkinan maksimum berulang untuk analisis jalur yang dikembangkan terutama oleh Karl Gustav Jöreskog di Layanan Pengujian Pendidikan dan kemudian di Universitas Uppsala; dan (3) algoritma fit korelasi kanonik iteratif untuk analisis jalur juga dikembangkan di Universitas Uppsala oleh Hermann Wold. Banyak perkembangan ini terjadi pada saat komputasi otomatis menawarkan peningkatan substansial atas kalkulator yang ada dan metode komputasi analog yang tersedia, yang merupakan produk dari proliferasi inovasi peralatan kantor di akhir abad ke-20. Pemodelan Persamaan Struktural teks 2015 : Dari Paths ke Jaringan memberikan sejarah metode. [11]
Terminologi yang longgar dan membingungkan telah digunakan untuk mengaburkan kelemahan dalam metode ini. Secara khusus, PLS-PA (algoritma Lohmoller) telah digabungkan dengan regresi parsial kuadrat terkecil PLSR, yang merupakan pengganti untuk regresi kuadrat terkecil biasa dan tidak ada hubungannya dengan analisis jalur. PLS-PA telah dipromosikan secara salah sebagai metode yang bekerja dengan dataset kecil ketika pendekatan estimasi lainnya gagal.Westland (2010) secara tegas menunjukkan ini tidak benar dan mengembangkan algoritma untuk ukuran sampel dalam SEM. Sejak 1970-an, pernyataan 'ukuran sampel kecil' telah diketahui salah (lihat misalnya Dhrymes, 1972, 1974; Dhrymes & Erlat, 1972; Dhrymes et al., 1972; Gupta, 1969; Sobel, 1982).
Baik LISREL dan PLS-PA disusun sebagai algoritma komputer iteratif, dengan penekanan sejak awal untuk menciptakan antarmuka entri data dan data yang dapat diakses dan perpanjangan analisis jalur Wright (1921). Komisi Cowles Awal bekerja pada estimasi persamaan simultan yang berpusat pada algoritma Koopman dan Hood (1953) dari ekonomi transportasi dan rute optimal, dengan estimasi kemungkinan maksimum, dan perhitungan bentuk aljabar tertutup, karena teknik pencarian solusi iteratif terbatas pada hari-hari sebelum komputer. Anderson dan Rubin (1949, 1950) mengembangkan penaksir kemungkinan maksimum informasi terbatas untuk parameter-parameter persamaan struktural tunggal, yang secara tidak langsung memasukkan penaksir kuadrat terkecil dua tahap dan distribusi asimtotiknya (Anderson, 2005) dan Farebrother (1999). Kuadrat terkecil dua tahap pada awalnya diusulkan sebagai metode estimasi parameter dari persamaan struktural tunggal dalam sistem persamaan simultan linier, yang diperkenalkan oleh Theil (1953a, 1953b, 1961) dan lebih kurang secara independen oleh Basmann(1957) dan Sargan (1958). Estimasi kemungkinan maksimum informasi terbatas Anderson akhirnya diimplementasikan dalam algoritma pencarian komputer, di mana ia bersaing dengan algoritma SEM berulang lainnya. Dari jumlah tersebut, dua tahap kuadrat sejauh ini merupakan metode yang paling banyak digunakan pada 1960-an dan awal 1970-an.
Sistem pendekatan persamaan regresi dikembangkan di Komisi Cowles sejak 1950-an, memperluas pemodelan transportasi Tjalling Koopmans. Sewall Wright dan ahli statistik lainnya berusaha mempromosikan metode analisis jalur di Cowles (saat itu di University of Chicago). Ahli statistik Universitas Chicago mengidentifikasi banyak kesalahan dengan aplikasi analisis jalur ke ilmu sosial; kesalahan yang tidak menimbulkan masalah signifikan untuk mengidentifikasi transmisi gen dalam konteks Wright, tetapi yang membuat metode jalur seperti PLS-PA dan LISREL bermasalah dalam ilmu sosial. Freedman (1987) merangkum keberatan-keberatan ini dalam analisis jalur: "kegagalan untuk membedakan antara asumsi kausal, implikasi statistik, dan klaim kebijakan telah menjadi salah satu alasan utama kecurigaan dan kebingungan seputar metode kuantitatif dalam ilmu sosial" (lihat juga Wold's ( 1987) respon). Analisis jalur Wright tidak pernah memperoleh banyak pengikut di kalangan ahli ekonometrika AS, tetapi berhasil memengaruhi Hermann Wold dan muridnya Karl Jöreskog. Siswa Jöreskog, Claes Fornell, mempromosikan LISREL di AS.
Kemajuan dalam komputer memudahkan para pemula untuk menerapkan metode persamaan struktural dalam analisis intensif komputer terhadap kumpulan data besar dalam masalah yang kompleks dan tidak terstruktur. Teknik solusi paling populer terbagi dalam tiga kelas algoritma: (1) algoritma kuadrat terkecil biasa diterapkan secara independen untuk setiap jalur, seperti yang diterapkan dalam paket analisis jalur PLS yang diperkirakan dengan OLS; (2) algoritma analisis kovarian berkembang dari karya mani oleh Wold dan muridnya Karl Jöreskog diimplementasikan di LISREL, AMOS, dan EQS; dan (3) algoritma regresi persamaan simultan yang dikembangkan di Komisi Cowles oleh Tjalling Koopmans.
Pearl [12] telah memperluas SEM dari model linier ke nonparametrik, dan mengusulkan interpretasi kausal dan kontrafaktual dari persamaan. Sebagai contoh, mengecualikan variabel Z dari argumen persamaan menegaskan bahwa variabel dependen tidak tergantung pada intervensi pada variabel yang dikecualikan, setelah kami memegang konstan argumen yang tersisa. SEM nonparametrik memungkinkan estimasi efek total, langsung dan tidak langsung tanpa membuat komitmen apa pun terhadap bentuk persamaan atau distribusi istilah kesalahan. Ini memperluas analisis mediasi ke sistem yang melibatkan variabel kategori di hadapan interaksi nonlinier.Bollen dan Pearl [13] mensurvei sejarah interpretasi kausal dari SEM dan mengapa itu telah menjadi sumber kebingungan dan kontroversi.
Metode analisis jalur SEM populer dalam ilmu sosial karena aksesibilitasnya; program komputer yang dikemas memungkinkan peneliti untuk mendapatkan hasil tanpa ketidaknyamanan dalam memahami desain dan kontrol eksperimental, efek dan ukuran sampel, dan berbagai faktor lain yang merupakan bagian dari desain penelitian yang baik. Pendukung mengatakan bahwa ini mencerminkan interpretasi holistik, dan kurang kausal, banyak fenomena dunia nyata - terutama dalam psikologi dan interaksi sosial - daripada yang dapat diadopsi dalam ilmu alam;pencela menyarankan bahwa banyak kesimpulan yang salah telah ditarik karena kurangnya kontrol eksperimental.
Arah dalam model jaringan diarahkan dari SEM muncul dari asumsi sebab-akibat yang dibuat tentang kenyataan. Interaksi sosial dan artefak seringkali epifenomena - fenomena sekunder yang sulit dihubungkan langsung dengan faktor-faktor penyebab. Contoh dari epifenomenon fisiologis adalah, misalnya, waktu untuk menyelesaikan sprint 100 meter. Seseorang mungkin dapat meningkatkan kecepatan sprint mereka dari 12 detik menjadi 11 detik, tetapi akan sulit untuk menghubungkan peningkatan tersebut dengan faktor penyebab langsung, seperti diet, sikap, cuaca, dll. Peningkatan 1 detik dalam waktu sprint adalah epiphenomenon - produk holistik interaksi banyak faktor individu.

Pendekatan umum untuk SEM



Meskipun setiap teknik dalam keluarga SEM berbeda, aspek-aspek berikut umum untuk banyak metode SEM.

Spesifikasi model

Dua komponen utama dari model dibedakan dalam SEM: model struktural yangmenunjukkan dependensi kausal potensial antara variabel endogen dan eksogen, dan model pengukuran yang menunjukkan hubungan antara variabel laten dan indikatornya. Model analisis faktor eksploratori dan konfirmasi, misalnya, hanya berisi bagian pengukuran, sedangkan diagram jalur dapat dipandang sebagai SEM yang hanya berisi bagian struktural.
Dalam menentukan jalur dalam suatu model, pemodel dapat menempatkan dua jenis hubungan: (1) jalur bebas , di mana hipotesis hubungan kausal (sebenarnya kontrafaktual) antara variabel diuji, dan oleh karena itu dibiarkan 'bebas' untuk bervariasi, dan (2) ) hubungan antara variabel yang sudah memiliki hubungan yang diperkirakan, biasanya didasarkan pada studi sebelumnya, yang 'tetap' dalam model.
Seorang pemodel akan sering menentukan satu set model yang secara teoritis masuk akal untuk menilai apakah model yang diusulkan adalah yang terbaik dari set model yang mungkin. Account modeler tidak hanya harus karena alasan teoritis untuk membangun model seperti itu, tetapi modeler juga harus memperhitungkan jumlah titik data dan jumlah parameter yang harus diperkirakan model untuk mengidentifikasi model. Model yang diidentifikasi adalah model di mana nilai parameter spesifik secara unik mengidentifikasi model ( definisi rekursif ), dan tidak ada formulasi setara lainnya yang dapat diberikan oleh nilai parameter yang berbeda. Titik data adalah variabel dengan skor yang diamati, seperti variabel yang berisi skor pada pertanyaan atau berapa kali responden membeli mobil.Parameternya adalah nilai bunga, yang mungkin merupakan koefisien regresi antara variabel eksogen dan endogen atau pemuatan faktor (koefisien regresi antara suatu indikator dan faktornya). Jika ada lebih sedikit titik data dari jumlah parameter yang diestimasi, model yang dihasilkan adalah "tidak dikenal", karena ada terlalu sedikit titik referensi untuk menjelaskan semua varians dalam model. Solusinya adalah membatasi salah satu jalur ke nol, yang berarti bahwa itu tidak lagi menjadi bagian dari model.

Perkiraan parameter gratis

Estimasi parameter dilakukan dengan membandingkan matriks kovarians aktual yang mewakili hubungan antara variabel dan matriks kovarian estimasi dari model fitting terbaik. Ini diperoleh melalui maksimalisasi numerik melalui ekspektasi-maksimalisasi kriteria kecocokan seperti yang disediakan oleh estimasi kemungkinan maksimum , estimasi kuasi-maksimum kemungkinan , kuadrat terkecil tertimbang atau metode bebas distribusi asimptotik. Ini sering dicapai dengan menggunakan program analisis SEM khusus, yang beberapa di antaranya ada.

Penilaian model dan model yang cocok


Setelah memperkirakan suatu model, analis akan ingin menafsirkan model tersebut.Jalur yang diperkirakan dapat ditabulasi dan / atau disajikan secara grafis sebagai model jalur. Dampak variabel dinilai menggunakan aturan penelusuran jalur (lihat analisis jalur ).
Penting untuk memeriksa "kecocokan" model yang diperkirakan untuk menentukan seberapa baik memodelkan data. Ini adalah tugas dasar dalam pemodelan SEM: membentuk dasar untuk menerima atau menolak model dan, biasanya, menerima satu model yang bersaing di atas yang lain. Output dari program SEM termasuk matriks dari hubungan yang diperkirakan antara variabel dalam model. Penilaian kecocokan pada dasarnya menghitung seberapa mirip data yang diprediksi dengan matriks yang berisi hubungan dalam data aktual.
Tes statistik formal dan indeks kecocokan telah dikembangkan untuk tujuan ini.Parameter individual dari model juga dapat diperiksa dalam model yang diperkirakan untuk melihat seberapa baik model yang diusulkan sesuai dengan teori mengemudi. Sebagian besar, meskipun tidak semua, metode estimasi memungkinkan pengujian model tersebut.
Tentu saja seperti dalam semua uji hipotesis statistik , uji model SEM didasarkan pada asumsi bahwa data relevan yang benar dan lengkap telah dimodelkan. Dalam literatur SEM, diskusi fit telah menyebabkan berbagai rekomendasi yang berbeda tentang penerapan tepat dari berbagai indeks fit dan tes hipotesis.
Ada berbagai pendekatan untuk menilai kecocokan. Pendekatan tradisional untuk pemodelan dimulai dari hipotesis nol , menghargai model yang lebih pelit (yaitu yang memiliki parameter bebas lebih sedikit), ke yang lain seperti AIC yang fokus pada seberapa kecil nilai yang dipasang menyimpang dari model jenuh [ rujukan? ](Yaitu seberapa baik mereka mereproduksi nilai yang diukur), dengan mempertimbangkan jumlah parameter gratis yang digunakan. Karena pengukuran fit yang berbeda menangkap elemen yang berbeda dari fit model, maka layak untuk melaporkan pilihan pengukuran fit yang berbeda. Pedoman (yaitu, "skor cutoff") untuk menafsirkan langkah-langkah kecocokan, termasuk yang tercantum di bawah, adalah subjek dari banyak perdebatan di antara para peneliti SEM. [14]
Beberapa ukuran kecocokan yang lebih umum digunakan meliputi:
  • Chi-kuadrat
    • Ukuran kecocokan mendasar yang digunakan dalam perhitungan banyak ukuran kecocokan lainnya. Secara konseptual, ini adalah fungsi dari ukuran sampel dan perbedaan antara matriks kovarians yang diamati dan matriks model kovarians.
  • Kriteria informasi Akaike (AIC)
    • Tes kesesuaian model relatif: Model yang disukai adalah yang memiliki nilai AIC terendah.
    •  {\mathit {AIC}}=2k-2\ln(L)\,
    • di mana k adalah jumlah parameter dalam model statistik , dan L adalah nilai maksimal dari kemungkinan model.
  • Root Mean Square Error of Approximation (RMSEA)
    • Indeks kesesuaian di mana nilai nol menunjukkan kesesuaian terbaik. [15]Sementara pedoman untuk menentukan "kecocokan dekat" menggunakan RMSEA sangat diperdebatkan, [16] sebagian besar peneliti sepakat bahwa RMSEA 0,1 atau lebih mengindikasikan kecocokan yang buruk. [17] [18]
  • Residual Rerata Root Rata-rata (SRMR)
    • SRMR adalah indikator kecocokan absolut yang populer. Hu dan Bentler (1999) menyarankan .08 atau lebih kecil sebagai pedoman yang cocok. [19]Kline (2011) menyarankan 0,1 atau lebih kecil sebagai pedoman untuk kecocokan yang baik.
  • Indeks Kesesuaian Banding (CFI)
    • Dalam memeriksa perbandingan dasar, CFI sebagian besar bergantung pada ukuran rata-rata korelasi dalam data. Jika korelasi rata-rata antar variabel tidak tinggi, maka CFI tidak akan terlalu tinggi. Nilai CFI 0,95 atau lebih tinggi diinginkan. [19]
Untuk setiap ukuran kecocokan, keputusan mengenai apa yang mewakili kecocokan yang cukup baik antara model dan data harus mencerminkan faktor kontekstual lainnya seperti ukuran sampel , rasio indikator terhadap faktor, dan keseluruhan kompleksitas model. Sebagai contoh, sampel yang sangat besar membuat uji Chi-squared terlalu sensitif dan lebih cenderung mengindikasikan kurangnya kesesuaian model-data. [20]

Modifikasi model

Model mungkin perlu dimodifikasi untuk meningkatkan kecocokan, dengan demikian memperkirakan hubungan yang paling mungkin antara variabel. Banyak program menyediakan indeks modifikasi yang dapat memandu modifikasi kecil.Indeks modifikasi melaporkan perubahan χ² yang dihasilkan dari membebaskan parameter tetap: biasanya, oleh karena itu menambahkan jalur ke model yang saat ini ditetapkan ke nol. Modifikasi yang meningkatkan kecocokan model dapat ditandai sebagai kemungkinan perubahan yang dapat dilakukan pada model.Modifikasi pada model, terutama model struktural, adalah perubahan pada teori yang diklaim benar. Oleh karena itu modifikasi harus masuk akal dalam hal teori yang diuji, atau diakui sebagai keterbatasan teori itu. Perubahan pada model pengukuran secara efektif mengklaim bahwa item / data adalah indikator tidak murni dari variabel laten yang ditentukan oleh teori. [21]
Model tidak boleh dipimpin oleh MI, seperti yang ditunjukkan Maccallum (1986): "bahkan dalam kondisi yang menguntungkan, model yang muncul dari pencarian spesifikasi harus dilihat dengan hati-hati." [22]

Ukuran dan kekuatan sampel

Sementara peneliti setuju bahwa ukuran sampel yang besar diperlukan untuk memberikan kekuatan statistik yang cukup dan perkiraan yang tepat menggunakan SEM, tidak ada konsensus umum tentang metode yang tepat untuk menentukan ukuran sampel yang memadai. [23] [24] Secara umum, pertimbangan untuk menentukan ukuran sampel meliputi jumlah pengamatan per parameter, jumlah pengamatan yang diperlukan untuk indeks kecocokan untuk melakukan secara memadai, dan jumlah pengamatan per derajat kebebasan. [23] Para peneliti telah mengusulkan pedoman berdasarkan studi simulasi, [25] pengalaman profesional, [26]dan rumus matematika. [24] [27]
Persyaratan ukuran sampel untuk mencapai signifikansi dan kekuatan tertentu dalam pengujian hipotesis SEM serupa untuk model yang sama ketika salah satu dari ketiga algoritma (PLS-PA, LISREL atau sistem persamaan regresi) digunakan untuk pengujian. [ rujukan? ]

interpretasi dan komunikasi

Himpunan model kemudian ditafsirkan sehingga klaim tentang konstruk dapat dibuat, berdasarkan pada model pemasangan terbaik.
Perhatian harus selalu diambil ketika membuat klaim kausalitas bahkan ketika eksperimen atau studi yang dilakukan berdasarkan waktu telah dilakukan. Istilah kausal model harus dipahami berarti "model yang menyampaikan asumsi kausal", belum tentu model yang menghasilkan kesimpulan kausal yang divalidasi.Mengumpulkan data pada beberapa titik waktu dan menggunakan desain eksperimental atau quasi-eksperimental dapat membantu mengesampingkan hipotesis saingan tertentu tetapi bahkan percobaan acak tidak dapat mengesampingkan semua ancaman tersebut terhadap inferensi kausal. Kecocokan baik dengan model yang konsisten dengan satu hipotesis kausal selalu memerlukan kecocokan yang sama baiknya dengan model lain yang konsisten dengan hipotesis kausal yang berlawanan. Tidak ada desain penelitian, tidak peduli seberapa pintar, dapat membantu membedakan hipotesis saingan seperti itu, kecuali untuk eksperimen intervensi. [12]
Seperti dalam ilmu apa pun, replikasi berikutnya dan mungkin modifikasi akan dilanjutkan dari temuan awal.

Tingkat lanjut menggunakan



  • Invariansi pengukuran
  • Pemodelan kelompok berganda: Ini adalah teknik yang memungkinkan estimasi bersama berbagai model, masing-masing dengan sub-kelompok yang berbeda.Aplikasi termasuk genetika perilaku , dan analisis perbedaan antara kelompok (misalnya, jenis kelamin, budaya, formulir tes yang ditulis dalam berbagai bahasa, dll.).
  • Pemodelan pertumbuhan laten
  • Model hierarki / multilevel ; model teori respons barang
  • Model campuran (kelas laten) SEM
  • Estimasi alternatif dan teknik pengujian
  • Inferensi yang kuat
  • Analisis pengambilan sampel survei
  • Model multi-metode multi-sifat
  • Pohon Model Persamaan Struktural

perangkat lunak SEM khusus



Ada beberapa paket perangkat lunak untuk pemasangan model persamaan struktural. LISREL adalah perangkat lunak semacam itu pertama, awalnya dirilis pada 1970-an.
Ada juga beberapa paket untuk lingkungan statistik open source R. Paket OpenMx Rmenyediakan sumber terbuka dan versi yang ditingkatkan dari aplikasi Mx.
Para sarjana menganggap praktik yang baik untuk melaporkan paket dan versi perangkat lunak mana yang digunakan untuk analisis SEM karena mereka memiliki kemampuan yang berbeda dan dapat menggunakan metode yang sedikit berbeda untuk melakukan teknik yang sama. [28]

Lihat juga



  • Model kausal
  • Model grafis
  • Statistik multivarian
  • Pemodelan jalur kuadrat terkecil sebagian
  • Regresi kuadrat terkecil parsial
  • Model persamaan simultan
  • Persamaan Struktural dengan Variabel Laten

Referensi



  1. ^ a b Kaplan 2008 , hlm. 79-88.
  2. ^ Kline 2011 .
  3. ^ Kline 2011 , hlm. 230-294.
  4. ^ Kline 2011 , hlm. 265-294.
  5. ^ Hancock, Greogry R (2003). "Cookie Fortune, Kesalahan Pengukuran, dan Desain Eksperimental". Jurnal Metode Statistik Terapan Modern . 2 (2): 293–305.doi : 10.22237 / jmasm / 1067644980 .
  6. ^ Salkind, Neil J. (2007). "Tes Kecerdasan". Ensiklopedia Pengukuran dan Statistik. doi : 10.4135 / 9781412952644.n220 . ISBN 978-1-4129-1611-0 .
  7. ^ MacCallum & Austin 2000 , hlm. 209.
  8. ^ Boslaugh, Sarah; McNutt, Louise-Anne (2008). "Pemodelan Persamaan Struktural". Ensiklopedia Epidemiologi . doi : 10.4135 / 9781412953948.n443 .hdl : 2022/21973 . ISBN 978-1-4129-2816-8 .
  9. ^ Shelley, Mack C (2006). "Pemodelan Persamaan Struktural". Ensiklopedia Kepemimpinan dan Administrasi Pendidikan . doi : 10.4135 / 9781412939584.n544 . ISBN 978-0-7619-3087-7 .
  10. ^ Tarka, Piotr (2017). "Tinjauan pemodelan persamaan struktural: Awal, pengembangan sejarah, kegunaan dan kontroversi dalam ilmu sosial" .Kualitas & Kuantitas . 52 (1): 313–54. doi : 10.1007 / s11135-017-0469-8 . PMC5794813 . PMID 29416184 .
  11. ^ Westland, J. Christopher (2015). Pemodelan Persamaan Struktural: Dari Jalur ke Jaringan . New York: Springer.
  12. ^ a b Pearl, Judea (2000). Kausalitas: Model, Penalaran, dan Inferensi .Cambridge University Press . ISBN 978-0-521-77362-1 .
  13. ^ Bollen, Kenneth A; Pearl, Judea (2013). "Delapan Mitos Tentang Kausalitas dan Model Persamaan Struktural". Buku Pegangan Analisis Kausal untuk Penelitian Sosial . Buku Pegangan Sosiologi dan Penelitian Sosial. hlm. 301–28.doi : 10.1007 / 978-94-007-6094-3_15 . ISBN 978-94-007-6093-6 .
  14. ^ MacCallum & Austin 2000 , hlm. 218-219.
  15. ^ Kline 2011 , hlm. 205.
  16. ^ Kline 2011 , hlm. 206.
  17. ^ Hu & Bentler 1999 , hlm. 11.
  18. ^ Browne, MW; Cudeck, R. (1993). "Cara alternatif menilai model cocok". Di Bollen, KA; Panjang, JS (eds.). Menguji model persamaan struktural . Newbury Park, CA: Sage.
  19. ^ a b Hu & Bentler 1999 , hlm. 27.
  20. ^ Kline 2011 , hlm. 201.
  21. ^ Loehlin, JC (2004). Model Variabel Laten: Pengantar Analisis Faktor, Jalur, dan Struktural . Pers Psikologi.
  22. ^ MacCallum, Robert (1986). + Msgstr "Pencarian spesifikasi dalam pemodelan struktur kovarian". Buletin Psikologis . 100 : 107–120. doi : 10.1037 / 0033-2909.100.1.107 .
  23. ^ a b Quintana & Maxwell 1999 , hlm. 499.
  24. ^ a b Westland, J. Christopher (2010). "Batas bawah pada ukuran sampel dalam pemodelan persamaan struktural". Elektron. Comm. Res. Appl . 9 (6): 476–487.doi : 10.1016 / j.elerap.2010.07.003 .
  25. ^ Chou, CP; Bentler, Peter (1995). "Perkiraan dan tes dalam pemodelan persamaan struktural". Di Hoyle, Rick (ed.). Pemodelan persamaan struktural: Konsep, masalah, dan aplikasi . Thousand Oaks, CA: Sage. hlm. 37–55.
  26. ^ Bentler, P. M; Chou, Chih-Ping (2016). "Masalah Praktis dalam Pemodelan Struktural". Metode & Penelitian Sosiologis . 16 (1): 78–117. doi : 10.1177 / 0049124187016001004 .
  27. ^ MacCallum, Robert C; Browne, Michael W; Sugawara, Hazuki M (1996)."Analisis kekuatan dan penentuan ukuran sampel untuk pemodelan struktur kovarian". Metode Psikologis . 1 (2): 130–49. doi : 10.1037 / 1082-989X.1.2.130 .
  28. ^ Kline 2011 , hlm. 79-88.

Bibliografi



  • Hu, Li-tze; Bentler, Peter M (1999). "Kriteria cutoff untuk indeks kecocokan dalam analisis struktur kovarian: Kriteria konvensional versus alternatif baru". Pemodelan Persamaan Struktural: Jurnal Multidisiplin . 6 : 1–55. doi : 10.1080 / 10705519909540118 .
  • Kaplan, D. (2008). Pemodelan Persamaan Struktural: Yayasan dan Ekstensi (2nd ed.).SAGE. ISBN 978-1412916240 .
  • Kline, Rex (2011). Prinsip dan Praktek Pemodelan Persamaan Struktural (ed. Ketiga).Guilford. ISBN 978-1-60623-876-9 .
  • MacCallum, Robert; Austin, James (2000). "Aplikasi Pemodelan Persamaan Struktural dalam Penelitian Psikologis" (PDF) . Ulasan Tahunan Psikologi . 51 : 201–226. doi : 10.1146 / annurev.psych.51.1.201 . PMID 10751970 . Diakses pada 25 Januari 2015 .
  • Quintana, Stephen M .; Maxwell, Scott E. (1999). "Implikasi Perkembangan Terakhir dalam Pemodelan Persamaan Struktural untuk Psikologi Konseling". Psikolog Konseling . 27 (4): 485–527. doi : 10.1177 / 0011000099274002 .

Bacaan lebih lanjut



  • Bagozzi, Richard P; Yi, Youjae (2011). "Spesifikasi, evaluasi, dan interpretasi model persamaan struktural". Jurnal Akademi Ilmu Pemasaran . 40 (1): 8–34. doi : 10.1007 / s11747-011-0278-x .
  • Bartholomew, DJ, dan Knott, M. (1999) Model Variabel Laten dan Analisis FaktorKendall's Library of Statistics, vol. 7, Penerbit Edward Arnold , ISBN 0-340-69243-X
  • Bentler, PM & Bonett, DG (1980), "Tes signifikansi dan goodness of fit dalam analisis struktur kovarian", Psychological Bulletin , 88, 588-606.
  • Bollen, KA (1989). Persamaan Struktural dengan Variabel Laten . Wiley, ISBN 0-471-01171-1
  • Byrne, BM (2001) Structural Equation Modeling dengan AMOS - Konsep Dasar, Aplikasi, dan Pemrograman .LEA, ISBN 0-8058-4104-0
  • Goldberger, AS (1972). Model persamaan struktural dalam ilmu sosial .Econometrica 40, 979-1001.
  • Haavelmo, Trygve (Januari 1943). "Implikasi Statistik Sistem Persamaan Simultan".Econometrica . 11 (1): 1–12. doi : 10.2307 / 1905714 . JSTOR 1905714 .
  • Hoyle, RH (ed) (1995) Pemodelan Persamaan Struktural: Konsep, Masalah, dan Aplikasi . SAGE, ISBN 0-8039-5318-6
  • Jöreskog, Karl G .; Yang, Fan (1996). "Model persamaan struktural non-linear: Model Kenny-Judd dengan efek interaksi" . Di Marcoulides, George A .;Schumacker, Randall E. (eds.). Pemodelan persamaan struktural lanjutan: Konsep, masalah, dan aplikasi . Thousand Oaks, CA: Sage Publications. hlm. 57–88. ISBN978-1-317-84380-1 .
  • Lewis-Beck, Michael; Bryman, Alan E.; Bryman, Profesor Emeritus Alan; Liao, Tim Futing (2004). "Pemodelan Persamaan Struktural". The SAGE Encyclopedia of Metode Penelitian Ilmu Sosial . doi : 10.4135 / 9781412950589.n979 . hdl : 2022/21973 . ISBN 978-0-7619-2363-3 .
  • Schermelleh-Engel, K .; Moosbrugger, H .; Müller, H. (2003), "Mengevaluasi kecocokan model persamaan struktural" (PDF) , Metode Penelitian Psikologis , 8(2): 23-74 .

Tautan eksternal



  • Halaman Pemodelan Persamaan Struktural Ed Rigdon : orang, perangkat lunak, dan situs
  • Halaman pemodelan persamaan struktural di bawah David Garson StatNotes, NCSU
  • Masalah dan Opini tentang Pemodelan Persamaan Struktural , SEM dalam IS Research
  • Interpretasi kausal dari persamaan struktural (atau SEM survival kit) oleh Judea Pearl 2000.
  • Daftar Referensi Pemodelan Persamaan Struktural oleh Jason Newsom : artikel jurnal dan bab buku tentang model persamaan struktural
  • Handbook of Management Scales , kumpulan skala multi-item yang sebelumnya digunakan untuk mengukur konstruksi untuk SEM